经验模态分解结合包络谱LSSVM的滚动轴承故障诊断
DOI:
CSTR:
作者:
作者单位:

华东交通大学机电与车辆工程学院,华东交通大学机电与车辆工程学院,华东交通大学机电与车辆工程学院,华东交通大学机电与车辆工程学院,江苏大学食品与生物工程学院

作者简介:

通讯作者:

中图分类号:

基金项目:

国家自然科学基金项目(面上项目,重点项目,重大项目)


Rolling Bearing Fault Diagnosis Base on EMD Combined with Envelope Spectrum Analysis and LSSVM Methods
Author:
Affiliation:

School of Mechanotronics Vehicle Engineering,East China Jiaotong University,Jiangxi Nanchang,School of Mechanotronics Vehicle Engineering,East China Jiaotong University,Jiangxi Nanchang,School of Mechanotronics Vehicle Engineering,East China Jiaotong University,Jiangxi Nanchang,School of Mechanotronics Vehicle Engineering,East China Jiaotong University,Jiangxi Nanchang,School of Food and Biological Engineering,Jiangsu University,Jiangsu Zhenjiang

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明:单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文

郝勇,商庆园,温钦华,赵翔,陈斌.经验模态分解结合包络谱LSSVM的滚动轴承故障诊断计算机测量与控制[J].,2018,26(2):48-52.

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2017-07-04
  • 最后修改日期:2017-07-04
  • 录用日期:2017-07-31
  • 在线发布日期: 2018-03-07
  • 出版日期: 2018-02-25
文章二维码